基于BP神经网络的轴承故障诊断研究

林名润 王杰 闫大鹏 文珊珊 杜明俊

摘 要：以四种轴承故障类型为研究对象，对不同故障类型的轴承进行振动测试试验，分别提取特征参数，采用BP神經网络算法，诊断未知轴承的故障类型。试验结果表明，该 BP神经网络算法准确地实现对轴承未知故障类型的诊断。

关键词：轴承；神经网络；振动；故障诊断

DOI：10.16640/j.cnki.37-1222/t.2018.09.121

1 引言

轴承当代机械设备中一种重要零部件，它的主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数，并保证其回转精度。轴承具有不易磨损、噪声小、传动效率高、精度高、低摩擦等优良性能，已广泛应用于数控机床、航天航空、重型设备制造业、汽车工业、核工业、精密仪器等领域[1]。

轴承作为传动旋转支承的关键部件之一，其出现故障直接影响设备运行，造成生产产品超差或报废，带来巨大经济损失[2]。为使传动部件处于高性能工作状态，需要对轴承状态进行监测。其中，开展轴承故障诊断技术和方法研究，是行之有效地解决传动部件状态监测、故障诊断、预防维护的途径之一。

2 BP神经网络原理

BP神经网络（Back propagation）是一种多层前馈神经网络，在1985年由Romelhert和Mccleland提出的[3]，其主要特点是迭代过程前向传递，误差反向传播。该算法的输入信号在前向传递过程是沿输入层、隐藏层、输出层逐级处理，将输出误差反向传播修正各层的网络权值和阈值，使网络预测输出不断逼近期望输出，从而建立系统故障诊断模型[4]。BP神经网络拓扑结构如图 1所示。

假设BP神经网络结构为三层网络结构，输入层、隐含层、输出层节点数分别为、、。定义变量如下：输入层向量为；隐含层输入向量为；隐含层输出向量为；输出层输入向量为；输出层输出向量为；期望输出向量为。输入层、隐含层和输出层神经元之间的连接权值分别为、，隐含层和输出层各神经元的阈值分别为、。样本个数为，激活函数为，误差函数为：

3 算法建立与分析

3.1 故障类型与特征参数

根据轴承通常失效形式，选取内圈滚道损伤失效B1、外圈滚道损伤失效B2、滚珠损伤失效B3、滚珠断裂失效B4四种典型故障类型作为研究对象，作为输出节点，并在实验台进行振动测试。选择振动信号时域和频域特征参数作为输入节点：平均值幅值指标A1、均方根幅值指标A2、峰值指标A3、脉冲指标A4、裕度指标A5、峭度指标A6。

3.2 神经网络建立

根据输入层与输出层节点数确定隐含层节点，建立神经网络结构：输入层节点数为6，隐含层节点数为6，输出层节点数为4。取神经网络训练误差精度为10-5，训练次数最大值为1500次，通过迭代调整BP网络的影响因子，使BP网络逐渐逼近设定的训练数据，并达到精度要求。由于原始输入输出数据有着不同的可变幅度和物理意义，在进行网络训练前需要对这些数据进行规范化处理，从而使神经网络发挥出最优性能。这里采用归一化数据处理方法，将其限制在[-1，1]范围内。

3.3 神经网络诊断

提取待测试故障轴承的特征参数数据，并进行归一化处理，作为检验BP网络的归一化测试数据如表1所示。

预期输出与实际诊断结果如表2所示，试验结果表明，针对不同故障类型该BP神经网络均作为出准确诊断。

4 结论

以轴承故障失效为研究对象，通过不同故障类型的测试试验，提取各种故障状态下的信号特征参数作为样本数据；通过 BP神经网络算法，对已知样本进行训练，并验证该算法的故障诊断能力。通过试验结果表明，该算法准确地诊断出轴承的故障类型。

参考文献：

[1]林治起，林高林，丛日超.关于轴承与轴承座高效自动压装机的工业设计[J].山东工业技术，2017（05）：46-47.

[2]康文龙，张伟，李岩.间隙和刚度对数控机床伺服进给系统精度影响[J].辽宁工程技术大学学报（自然科学版），2016，35（03）：300-303.

[3]J. Zap?ata. Measurements of Temperature of CNC Machine Tool Ball Screw Utilising IR Method[J]. International Journal of Applied Mechanics and Engineering，2017，22（03）：769-777.

[4]刘智斌，曾晓勤，刘惠义，储荣.基于BP神经网络的双层启发式强化学习方法[J].计算机研究与发展，2015，52（03）：579-587.

作者简介：林名润（1985-），男，上海人，硕士，工程师，主要研究方向：机电一体化装备。